AI (yapay zeka) kulağa soğuk bir robotik sistem gibi gelebilir, ancak Osaka Metropolitan Üniversitesi bilim insanları kardiyak fonksiyonları sınıflandıran ve kalp kapak hastalığını eşi benzeri görülmemiş bir doğrulukla saptayan yenilikçi bir yapay zeka kullanımını ortaya çıkardılar ve hasta bakımını ilerletmek için tıp ve teknoloji alanlarını birleştirmede devam eden ilerlemeyi gösterdiler. Sonuçlar The Lancet Digital Health'te yayınlanacak.
Kalp yetmezliğinin nedenlerinden biri olan kalp kapak hastalığı, sıklıkla ekokardiyografi kullanılarak teşhis edilir. Bununla birlikte, bu teknik özel beceriler ve kalifiye teknisyenleri gerektirir. Bu arada, akciğer grafisi, başta akciğerler olmak üzere hastalıkları tanımlamak için en yaygın testlerden biridir. Göğüs radyografilerinde kalp görülebilse de, şimdiye kadar göğüs radyografilerinin kalp fonksiyonlarını veya hastalıklarını tespit etme yeteneği hakkında çok az şey biliniyordu. Göğüs röntgenleri birçok hastanede gerçekleştirilebilir ve bunları gerçekleştirmek için çok az zaman gerekir, bu da onları oldukça erişilebilir ve tekrarlanabilir hale getirir. Buna göre, Osaka Metropolitan Üniversitesi Tıp Enstitüsü Teşhis ve Girişimsel Radyoloji Anabilim Dalı'ndan Dr. Daiju Ueda liderliğindeki araştırma ekibi, göğüs röntgenlerinden kardiyak fonksiyon ve hastalık belirlenebilirse, bu testin ekokardiyografiye ek olabileceğini düşündü.
Dr. Ueda'nın ekibi, kalp fonksiyonlarını ve kalp kapak hastalıklarını göğüs radyografilerinden doğru bir şekilde sınıflandırmak için yapay zekayı kullanan bir modeli başarıyla geliştirdi. Tek bir veri kümesi üzerinde eğitilen yapay zeka, düşük doğruluğa yol açan potansiyel önyargıyla karşı karşıya olduğundan, ekip çok kurumlu verileri hedefledi. Buna göre, 2013-2021 yılları arasında dört merkezde 16.946 hastadan 22.551 ekokardiyogramla ilişkili toplam 22.551 akciğer grafisi toplandı. Göğüs röntgenleri giriş verisi ve ekokardiyogramlar çıkış verisi olarak ayarlanarak, AI modeli, bağlantı özelliklerini öğrenmek için eğitildi.
AI modeli, 0,83 ile 0,92 arasında değişen Eğri Altındaki Alan veya AUC ile seçilen altı kalp kapak hastalığı tipini tam olarak kategorize edebildi. (AUC, bir AI modelinin kapasitesini gösteren ve 0 ile 1 arasında bir değer aralığı kullanan ve 1'e ne kadar yakınsa o kadar iyi olan bir derecelendirme indeksidir.) AUC, sol ventrikül ejeksiyonunu saptamak için %40'lık bir kesme noktasında 0,92 idi.
Dr. Ueda, “Bu sonuçlara ulaşmamız çok uzun zaman aldı, ancak bunun önemli bir araştırma olduğuna inanıyorum. Sistem, doktor teşhislerinin etkinliğini artırmanın yanı sıra, uzmanın bulunmadığı alanlarda, gece acillerinde ve ekokardiyografi çektirmede zorluk çeken hastalarda da kullanılabilir.” dedi.
Kalp yetmezliğinin nedenlerinden biri olan kalp kapak hastalığı, sıklıkla ekokardiyografi kullanılarak teşhis edilir. Bununla birlikte, bu teknik özel beceriler ve kalifiye teknisyenleri gerektirir. Bu arada, akciğer grafisi, başta akciğerler olmak üzere hastalıkları tanımlamak için en yaygın testlerden biridir. Göğüs radyografilerinde kalp görülebilse de, şimdiye kadar göğüs radyografilerinin kalp fonksiyonlarını veya hastalıklarını tespit etme yeteneği hakkında çok az şey biliniyordu. Göğüs röntgenleri birçok hastanede gerçekleştirilebilir ve bunları gerçekleştirmek için çok az zaman gerekir, bu da onları oldukça erişilebilir ve tekrarlanabilir hale getirir. Buna göre, Osaka Metropolitan Üniversitesi Tıp Enstitüsü Teşhis ve Girişimsel Radyoloji Anabilim Dalı'ndan Dr. Daiju Ueda liderliğindeki araştırma ekibi, göğüs röntgenlerinden kardiyak fonksiyon ve hastalık belirlenebilirse, bu testin ekokardiyografiye ek olabileceğini düşündü.
Dr. Ueda'nın ekibi, kalp fonksiyonlarını ve kalp kapak hastalıklarını göğüs radyografilerinden doğru bir şekilde sınıflandırmak için yapay zekayı kullanan bir modeli başarıyla geliştirdi. Tek bir veri kümesi üzerinde eğitilen yapay zeka, düşük doğruluğa yol açan potansiyel önyargıyla karşı karşıya olduğundan, ekip çok kurumlu verileri hedefledi. Buna göre, 2013-2021 yılları arasında dört merkezde 16.946 hastadan 22.551 ekokardiyogramla ilişkili toplam 22.551 akciğer grafisi toplandı. Göğüs röntgenleri giriş verisi ve ekokardiyogramlar çıkış verisi olarak ayarlanarak, AI modeli, bağlantı özelliklerini öğrenmek için eğitildi.
AI modeli, 0,83 ile 0,92 arasında değişen Eğri Altındaki Alan veya AUC ile seçilen altı kalp kapak hastalığı tipini tam olarak kategorize edebildi. (AUC, bir AI modelinin kapasitesini gösteren ve 0 ile 1 arasında bir değer aralığı kullanan ve 1'e ne kadar yakınsa o kadar iyi olan bir derecelendirme indeksidir.) AUC, sol ventrikül ejeksiyonunu saptamak için %40'lık bir kesme noktasında 0,92 idi.
Dr. Ueda, “Bu sonuçlara ulaşmamız çok uzun zaman aldı, ancak bunun önemli bir araştırma olduğuna inanıyorum. Sistem, doktor teşhislerinin etkinliğini artırmanın yanı sıra, uzmanın bulunmadığı alanlarda, gece acillerinde ve ekokardiyografi çektirmede zorluk çeken hastalarda da kullanılabilir.” dedi.
Kaynak
Bu rehber yardımcı oldu mu?
DoktorClub’da Keşfet
